[发明专利]一种基于YOLOv5s的粮仓害虫检测方法

说明书

本发明涉及一种基于YOLOv5s的粮仓害虫检测方法。在CSP模块不同支路中分别加入空间注意力机制和通道注意力机制；将主干网络CSP模块中残差单元改进为ResNeXt残差单元；对模型结构进行轻量化处理，去除CSP模块中重复的残差单元，并修改颈部网络CSP模块结构，使其与主干网络CSP模块结构保持一致。本发明采用6类常见粮仓害虫作为数据集进行训练，并将训练好的模型权重用于检测，有效减少了人力和物力的消耗，提高了检测准确率，能够较好的满足粮仓害虫检测任务的需求。

技术领域

本发明涉及粮食安全领域，具体涉及一种基于YOLOv5s网络的粮仓害虫检测方法

背景技术

在中国，粮食作为国家重要资源之一，对国家的发展具有重大意义。粮食储备是国家每年的重要任务，关乎人民的生计。粮食在储备过程中，虫害的发生是导致粮食经济损失的主要原因之一。个别种类害虫外形相似，难以区分。在早期，粮仓管理人员依靠人力和经验对害虫进行筛选和检测，这种方法不仅耗费时间，而且效率较低。随后，一些新技术逐渐取代原始的人工检测方法。例如，声检测法是对粮仓害虫活动的声音进行采集和特征提取，来判断粮仓害虫的种类和数量。该方法易受环境因素的影响，检测结果有待提高。随着图像处理技术的不断发展，传统的机器学习通过采集粮仓害虫图像并提取粮虫特征，将其送入分类器中进行训练，该方法提取到的特征鲁棒性差，检测结果准确率不高。近年来，深度学习的快速发展，使其成为粮仓害虫检测任务中一项热门的领域。它通过卷积神经网络来自动提取粮仓害虫特征，相较于以往的方法，具有更快的检测速度和更高的检测准确率。

发明内容

针对现有技术中存在的问题，本发明提出一种基于YOLOv5s的粮仓害虫检测模型。采用该模型能够较好的满足粮仓害虫检测任务的需求。

为了实现上述目的，本发明采用的技术方案如下：一种基于YOLOv5s的粮仓害虫检测方法，包括如下步骤：

1)将粮仓害虫诱捕器置于粮仓中诱捕害虫，所述粮仓害虫诱捕器包括摄像装置、进虫孔、照明装置和存储装置4个部分；所述照明装置保持常亮用于照明，所述进虫孔用于害虫进入诱捕器的存储装置中，所述存储装置用于存放进入粮仓害虫诱捕器的害虫；所述摄像装置用于定时对存储装置中的害虫进行拍摄；

2)构建虫图集D2，划分训练集D_train和验证集D_test；

3)构建YOLOv5s网络模型，所述YOLOv5s网络模型包括主干网络、颈部网络和头部；所述主干网络包括Focus模块、SPP模块、CBS模块和CSP模块；所述颈部网络包括CBS模块、CSP模块；所述头部包括检测头；其中，所述主干网络CSP模块由支路1和支路2组成，支路1由卷积层、批量归一化和SiLU激活函数组成，支路2由卷积层、批量归一化、SiLU激活函数和n个残差单元组成；所述颈部网络CSP模块结构由支路3和支路4组成，支路3和支路4均由卷积层、批量归一化和SiLU激活函数组成；

4)修改主干网络CSP模块支路1结构，将主干网络CSP模块修改为SK卷积；

5)修改主干网络CSP模块支路2结构，在支路2中加入SE模块；

6)将所有CSP模块中残差单元的数量由n个减少为1个；

7)将CSP模块中残差单元修改为ResNeXt残差单元，方法为为：将残差单元中第1层和第2层卷积替换成具有g组分组卷积的三层卷积，其中第1层卷积的卷积核大小为1，输出通道数为输入通道数的一半；第2层卷积的卷积核大小为3，输出通道数不变，是一个具有g组卷积的分组卷积；第3层卷积的卷积核为1，输出通道数为输入通道数的1倍；

8)修改YOLOv5s颈部网络的CSP模块结构，将其CSP模块结构保持与主干网络CSP模块结构一致；